Публикации по теме 'convolutional-network'


Рекомендателей на подъеме
Рекомендатели на подъеме: от поверхностного к глубокому обучению Аннотация Начнем с образа медузы в качестве аналогии. Медузы обладают достаточной приспособляемостью, когда дело доходит до приспособления их условий жизни. В зависимости от условий окружающей среды и других факторов их можно увидеть живущими либо на мелководье, либо в глубоких темных траншеях (как показано на рисунке выше). Возможно, они находят в этом выгоду для обоих, время находиться на уровне моря или наоборот..
Обнаружение вредоносных программ и искусственные нейронные сети
Искусственные нейронные сети, такие как MLP (многослойный перцептрон) и CNN (сверточные нейронные сети), успешно используются для статической классификации вредоносных программ. Эта статья должна помочь новичкам в области глубокого обучения применять эти модели на практике, поскольку мы рассмотрим задачу статической классификации вредоносных программ. Предположим, что читатель только что изучил, что такое MLP и CNN, но еще не использовал их. Мы также не будем сосредотачиваться на коде, а..
Внедрение DenseNet-121 в PyTorch: пошаговое руководство
Введение Глубокое обучение произвело революцию в области искусственного интеллекта и машинного обучения, и сверточные нейронные сети (CNN) сыграли в этой революции жизненно важную роль. CNN широко используются для классификации изображений, обнаружения объектов и других задач компьютерного зрения. Однако успех CNN сильно зависит от архитектуры сети. DenseNet — это тип архитектуры CNN, известный своей эффективностью и точностью в задачах классификации изображений. В этой статье мы..
PixelRNN, генерация изображений с помощью RNN (лабораторная заметка 2: инициализация параметров, набор данных и выборка)
Перейдите ниже и проверьте записную книжку, когда вам понадобится дополнительная информация. Инициализация параметра Лаборатория была выполнена с помощью Pytorch , хотя Keras тоже хорош. Что на самом деле меня удивляет, так это не эффективность обучения в Google Colab, а инициализация параметров. Прежде чем говорить о наборе данных, упомянем эту тему. Для каждого уровня в модели полезно использовать he_normal или uniform . Они работают лучше, чем стандартные настройки..
Создание глубокой нейронной сети в Google Таблицах
Я хочу показать вам, что глубокие сверточные нейронные сети далеко не так устрашающи, как кажется. И я докажу это, показав вам реализацию того, что я сделал в Google Таблицах. Он доступен здесь . Скопируйте его (используйте опцию Файл → Создать копию в верхнем левом углу), и затем вы можете поиграть с ним, чтобы увидеть, как различные рычаги влияют на прогноз модели. Остальная часть статьи будет кратким вступлением, чтобы понять интуицию высокого уровня, лежащую в основе..
Советы поклонникам платформы глубокого обучения Keras
В этой статье я дам вам несколько полезных советов при работе с фреймворком Keras . А теперь приступим… 1. Как разместить небольшую модель keras в сети или на мобильном устройстве? При развертывании моделей глубокого обучения, особенно моделей Keras, на бесплатном веб-хостинге (например, Heroku ) важно сделать ваши обученные модели как можно меньше, поскольку сервер веб-хостинга ограничивал размер памяти для каждого развернутого приложения. Обычно после обучения модели Keras вы..
Извлечение вывода сверточного слоя в PyTorch с использованием хука
Давайте взглянем на то, как наша модель «думает» Сверточная нейронная сеть (CNN) используется для обработки данных, подобных изображениям. При попытке построить модель CNN очень важно определить архитектуру (количество слоев и нейронов). Лучшее, что вы можете сделать, это импортировать любую проверенную хорошую архитектуру CNN и использовать ее для своего случая. Эти модели обычно имеют глубокий уровень, который требует больших вычислительных мощностей для полного обучения. Тем не..